一種新型的快速響應矩陣碼圖像定位算法

王坤+陳梅

摘 要： 針對大批量采集圖像在定位識別中受到處理速度和干擾等因素影響實時性和準確性不好的問題，提出一種基于特征壓縮編碼的快速響應矩陣碼圖像定位算法。首先對大批量采集的圖像進行向量量化的矩陣碼編碼設計，然后采用K?L特征壓縮器進行圖像特征壓縮編碼，實現快速響應矩陣碼圖像定位。最后進行實際采集圖像的定位實驗測試。結果表明，該方法進行圖像定位的準確度較高，計算量較小，具有快速性和收斂性較好的優點。

關鍵詞： 圖像編碼； 特征壓縮； 小波降噪； 圖像定位

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）14?0114?03

Abstract： Since the mass gathering image affected by the factors of processing speed and interference in orientation recognition has the problems of poor real?time performance and low accuracy， a feature compression code based image localization algorithm of quick response matrix code is put forward. The mass collected images were performed with matrix coding design of vector. The K?L feature compressor is used to carry out the image feature compression coding to realize the image positioning of quick response matrix code. The localization experiment of the actual collection image was tested. The test results show that the method has high accuracy for image positioning， less computation quantity， and the advantages of rapidity and good convergence.

Keywords： image coding； feature compression； wavelet denoising； image localization

0 引 言

隨著圖像信息采集和處理技術的發展，采用視覺圖像分析方法進行軍事目標打擊和識別成為未來目標識別的重要研究方向。通過機載圖像采集設備和衛星圖像采集設備，結合紅外成像和遙感成像技術和小波算法[1]，進行大規模和大批量的圖像信息采集。利用專家數據庫進行大批量的圖像特征信息分析，判斷采集的大規模圖像中的感興趣目標特征點，實現對打擊軍事目標對象的準確識別和定位。同理，相關的圖像定位識別方法在故障診斷分析和CT圖的病理診斷中同樣有廣闊的應用價值，對圖像的定位識別的關鍵是實時性和快速準確性，研究一種新型的快速響應矩陣碼圖像定位方法，提高對圖像定位識別中的抗干擾能力，降低計算開銷，相關的算法研究受到人們的極大重視，傳統方法中對圖像定位方法主要有小波分析方法[1]、遞歸圖重構方法和時頻分析方法等，上述方法對大規模的圖像批處理性能不好，時滯性較大[2]。對此本文提出一種基于特征壓縮編碼的快速響應矩陣碼圖像定位方法，進行了算法的改進設計研究，取得了可觀的效能。

1 矩陣碼圖像的掃描采集與編碼

為了實現對大規模采集的圖像進行矩陣碼圖像定位，需要首先進行矩陣碼圖像的采集和掃描，采用三維立體視覺掃描方法進行圖像的特征編碼，進行大批量圖像的矩陣編碼。對矩陣碼圖像進行計算機重建，對大批量圖像采集方法多采用的是激光掃描技術、紅外掃描技術和波束掃描技術等，在對矩陣碼圖像掃描采集中，采用橫向掃描、縱向掃描、對角掃描和塊掃描進行圖像采集和三維重建，采集過程示意圖如圖1所示。

圖1中，描述矩陣碼圖像平面圖像中的特征點的狀態式為：

通過上述處理，實現了對矩陣碼圖像的掃描采集，為進行圖像編碼和定位識別提供圖像輸入源。

2 矩陣碼圖像定位算法改進實現

在上述進行圖像采集和編碼預處理的基礎上，進行快速響應矩陣碼圖像定位算法的改進設計，提高對大批量采集圖像在定位識別的速度和抗干擾能力。本文提出一種基于特征壓縮編碼的快速響應矩陣碼圖像定位算法。

2.1 圖像的二維小波特征空間三維重組

對生成的矩陣碼圖像進行二維小波特征空間三維重組，矩陣碼圖像的二維小波特征空間三維重組模型如圖2所示。

在二維小波特征空間中，將矩陣碼圖像分解成二維網絡點集合，表示為：

式中，矩陣碼圖像大小為，和對應紋理特征相似度信息和像素值，采用神經網絡將圖像的編碼特征壓縮到特征空間中，得到編碼信息矢量為：

在不同空間位置特征點之間進行鄰域基元向量的像素級融合分解，得到圖像的二維小波特征空間三維重組鄰域值為：

在上述模型重組描述基礎上，采用多級小波降噪方法進行圖像降噪。

2.2 基于K?L特征壓縮的圖像快速定位實現

為了降低響應矩陣碼圖像定位算法的計算開銷，提高快速響應能力，需要采用K?L特征壓縮器進行圖像特征壓縮編碼設計[4]，K?L特征壓縮器的系統函數為：

式中：為K?L特征壓縮的尺度參數；和為矩陣碼圖像的中心位置參量；為相似度鄰域方差；為相位信息。在用K?L特征壓縮器進行圖像特征壓縮編碼的基礎上，得到矩陣碼圖像中心像素和鄰域基元向量的定位輸出為：

式中：和分別為圖像模糊核的先驗正則化參量和特征響應輸出，通過特征壓縮編碼得到圖像定位的響應函數為[5]：

在確定圖像像素融合點特征后，對生成的矩陣碼圖像進行二維小波特征空間三維重組，實現對圖像的快速定位設計。

3 實驗測試分析

為了驗證本文方法在實現矩陣碼定位中的性能，進行仿真實驗分析，實驗建立在Inter core i5?2400 3.10 GHz處理器，運行平臺為Matlab 2008a的仿真環境[6]。為了評價圖像壓縮效果，定義信噪比和峰值信噪比（單位：dB）分別為：

分析上述仿真結果得知，采用本文方法進行圖像的矩陣碼編碼和定位，能有效實現對圖像的模糊核特征估計和壓縮編碼，提高了定位的精度。為了定量分析算法性能，采用本文方法和傳統方法[7]，以評價定位精度的輸出信噪比和計算開銷為測試指標[8]，得到對比結果見表1。

分析上述仿真結果得知，采用本文方法對兩組圖像的計算開銷都有所減少，峰值信噪比得到有效提升，說明定位精度較高，快速響應能力較好，性能優越。

4 結 語

本文提出一種基于特征壓縮編碼的快速響應矩陣碼圖像定位算法。對大批量采集的圖像進行向量量化的矩陣碼編碼設計，對生成的矩陣碼圖像進行二維小波特征空間三維重組，采用多級小波降噪方法進行圖像降噪，采用K?L特征壓縮器進行圖像特征壓縮編碼，實現快速響應矩陣碼圖像定位。測試結果表明，該方法進行圖像定位的準確度較高，計算量較小，具有快速響應能力。

參考文獻

[1] 張愛民.一種基于小波變換的夜視圖像去噪和融合方法[J].電子測量技術，2015，38（1）：38?40.

[2] 王小玉，張亞洲，陳德運.基于多塊局部二值模式特征和人眼定位的人臉檢測[J].儀器儀表學報，2014，35（12）：2739?2745.

[3] 朱賀，李臣明，張麗麗，等.聯合灰度閾值分割及輪廓形態識別的河道提取[J].電子測量與儀器學報，2014，28（11）：1288?1296.

[4] CZIBULA G， MARIAN Z， CZIBULA I G. Detecting software design defects using relational association rule mining [J]. Knowledge and information systems， 2015， 42（3）： 545?577.

[5] HILLS J， BAGNALL A， IGLESIA B D L， et al. BruteSuppression： a size reduction method for Apriori rule sets [J]. Journal of intelligent information systems， 2013， 40（3）： 431?454.

[6] SUZUKIT， KUDO H. Two?dimensional non?separable block?lifting structure and its application to M?channel perfect reconstruction filter banks for lossy?to?lossless image coding [J]. IEEE transactions on image processing， 2015， 24（12）： 4943?4951.

[7] 高紅民，李臣明，周惠，等.神經網絡敏感性分析的高光譜遙感影像降維與分類方法[J].電子與信息學報，2016，38（11）：2715?2723.

[8] WANG Lin， ZENG Yi， CHEN Tao. Back propagation neural network with adaptive differential evolution algorithm for time series forecasting [J]. Expert systems with applications， 2014， 42（2）： 855?863.